时间:2023-01-19 | 标签: | 作者:Q8 | 来源:网络
小提示:您能找到这篇{数据增长实验,互联网人进阶必会技能!}绝对不是偶然,我们能帮您找到潜在客户,解决您的困扰。如果您对本页介绍的数据增长实验,互联网人进阶必会技能!内容感兴趣,有相关需求意向欢迎拨打我们的服务热线,或留言咨询,我们将第一时间联系您! |
之前分享过:做增长,是数据分析师最好的立功方式,今天直接来个例子,看看怎么通过数据设计增长实验。话不多说,整! 问题场景:某包含多系列产品的快消品公司,希望推出一款全新饮料(2个SKU)以带动整体销售金额。该款为全新推出,缺少经验,因此计划在今年先行实验,观察效果后大面积推广。 问:该如何设计增长实验,以提前发现问题,确保增长? 一、虚假的数据增长很多新人同学举手,表示这题我会:
现实问题是:没数据。因为不是自有渠道,所以只能拿到进货数,其他的数据不要想了,不存在的,一条都没有。倒是门店有没有铺货,可以靠巡店督导定期上门检查。 那么,该怎么办呢? 二、最基础的增长模型最简单的想法:上新品是为了拉动销量,所以上新之后,得比上新之前渠道订货得多。于是最简单的模型就出来了(如下图): 那么,看起来实验设计也很简单了:
是不是真的搞掂了呢? 三、考虑增长基础第一个问题:找店是随机找,还是有目标找?很有可能有的店天生就卖得好,有的店天生卖得差。如果事先不对店过往订货情况进行分析,就很有可能高估/低估增长能力。特别要注意专职店是否存在,这类型门店如果数量过多,可能会影响整体判断(如下图): 在前期选择试点样本店的时候,提前做好筛选,考虑:
这些数据是可以获取到的,数据1在督导的巡店表里有记录,数据2,3,4在订货单里有记录,所以完全可获得。需要做的是提前对数据进行分析,做好分层和打标签的工作。 这么多维度交叉起来,引发一个新问题:到底要选多少店沈阳重型卡车公关传播多少做试点。统计学会告诉你单群体最小样本30,最好384,这样95%置信度下抽样误差5%番禺电气开关企业网络营销——但是这些和眼前的问题工作没多大关系。 因为眼前的问题是:第一:需要以店为单位抽,有可能所有门店加起来都不够这么多。 第二:测试的是新产品,且测试周期可能很长,意味着货源可能不够。 第三:测试的是新上架产品,需要业务方一个店一个点铺货,得考虑工作量。 所以设计样本数的时候,首先对单店在测试周期内销量有个预计,保证肯定有货,这样才能真正测出来:是否达预期。定下门店总量以后,再按以上考虑维度往里塞样本。最后出来的结果,保证每个分类尽可能都有样本就行。 如果事先有一级、二级、三级门店的分类,则轻松很多。因为一二三级分类,很有可能已经综合考虑了销售能力,门店规模等等因素。但在使用之前得注意几个问题:
只要不存在以上问题,那1,2,3级分类就直接用吧。 考虑增长基础,不但让设计更丰满,而且能极大方便事后的评估。避免诸如以下这些尴尬的问题:
并且在事后分析的时候,能对各类型门店标签下情况进行深入的分析,具体到每一类店铺标签的效果。这样迭代实验的时候,也有更清晰的方向,落地的时候,思路也更多(如下图)。 那么,考虑到这一步够了吗? 四、考虑增长周期第二步:考虑什么时间测,测多久一般商品都有自己的销售周期,饮料类的周期更特殊,可能集中在夏季爆发,也有可能受各地气候的影响,也有可能受天气短期影响。因此在设计测试周期的时候,需要先梳理相似价位、相似类型、相似目标群体对应的饮料的走势,这样才能有个全局判断(如下图)。 有了全局判断后,可以设一个比较长的观察周期,以尽可能多覆盖各种场景。这样在事后评估分析的时候,也能对各种情况进行分析(如下图)。 五、考虑增长落地第三步:考虑业务落地动作一款新产品上市,宣传、铺货、促销三件套往往是一起往上招呼。这些落地动作才是最终决定测试成果的因素。而这些动作,都依赖各地分公司/办事处的执行,执行力至关重要。 这里有个很深刻的问题:一但测试效果不好……
监控了业务执行过程,你才有资格说:业务做得好/不好。没有监控业务执行过程,人家随时都能说:数据分析没算出来。“现在不都人工智能大数据了吗,一定是我们的数据分析师太蠢了,招个头腾阿的数据分析师肯定能算清楚”——这锅已经为你准备好了,所以一定要掌握清楚。 待掌握的信息包括:
有了这些信息,可以结合订货数据做更多分析:
当然,后期核查要跟上,且核查的时候,可以增加几个关键维度检查,比如:
这些核查数据同样得从督导手里收回来,同数据一起分析,才更容易看到结果。 这样,在解释结果的时候,自然更有底气:凡是没有执行的到位的,一概不许甩锅给产品/数据,自己没做好的自己反省去。这样也更有利于找到真正问题答案。 六、小结2020年的数据分析领域最大问题,就是:学习过程书本化,脱离实际。教数据分析的书、老师、课程,为了让算法、统计原理、用户画像、漏斗模型、ABtest发挥作用,就专门挑一些字段丰富,清洗干净的数据集,让算法跑起来。新人们把工作当读书,跑几个数据集就欣欣然自以为得已得已。 两下相交,导致的结果就是新人们遇到实际问题的时候:不是幻想头腾阿有灵丹妙药,就是急着搬书找答案,要么就是跑到各个群问:“有没有互联网饮料行业的大佬,急,在线等,可付费!”。唯独丧失了具体问题、具体分析的能力。 破除迷信,脚踏实地,认真研究业务流程,设计合理的方法,才是解决问题之道。数据简单有数据简单的搞法,数据丰富有数据丰富的搞法,把简单的数据通过业务流程改进变得丰富,这三者合并才是一个合格的数据分析师该有的能力。 本篇分享的是简单的做法,感兴趣的话,关注接地气的陈老师,下一篇我们分享一个数据很丰富的场景下,该怎么分析的案例,就讲UGC产品,敬请期待哦。 #专栏作家#接地气的陈老师,微信公众号:接地气学堂,专栏作家。资深咨询顾问,在互联网,金融,快消,零售,耐用,美容等15个行业有丰富数据相关经验。 本文于。, ,基于CC0协议。 |
上一篇:这篇文章把数据讲透了(二):数据采集
下一篇:金融行业系统稳定,好用又容易理解的指标是什
小提示:您应该对本页介绍的“数据增长实验,互联网人进阶必会技能!”相关内容感兴趣,若您有相关需求欢迎拨打我们的服务热线或留言咨询,我们尽快与您联系沟通数据增长实验,互联网人进阶必会技能!的相关事宜。
关键词:2年, 初级, 数据增长, 数据